车牌识别某英文翻译

车牌自动识别摘要——车牌自动识别（LPR）在众多的应用程序和一些已经被提出的重要技术中扮演了重要的角色。

然而，他们中的大多数工作在特定的约束条件下，如固定照明，有限的车辆速度，设计好的路线，和固定的背景。

在这项研究中，考虑尽可能减少约束工作环境。

LPR技术包括两个主要模块：车牌定位模块和号码识别模块。

前者是试图从的输入图像中提取车牌上模糊的字符，后者就神经学科概念化而言的目的是识别车牌的号码。

各个模块已进行了实验。

在定位车牌实验研究中，1088个图像从各种场景和不同的条件下拍摄得出。

其中，23个图像未能在图像上找到车牌；车牌定位的成功率是97.9%。

在识别车牌号码实验中，1065个被成功定位的车牌图像进行实验。

其中，47个图像未能识别位于图像中车牌号码,识别成功率是95.6%的。

结合上述两个比率，对于我们的车牌识别算法的总体成功率是93.7%。

索引术语——色彩边沿探测器，模糊化，识别号码许可，车牌定位，车牌识别（LPR），自行组织（SO），字符识别，弹性模型、拓扑分类、两级模糊聚集。

一、引言自动车牌识别（LPR）在许多应用中占有重要的位置，，如无人值守的停车地段[ 31 ]，[ 35 ]安全控制限制区[ 8 ]交通执法[ 7 ]，[ 33 ]，和堵车调查[ 5 ]，，自动收费[ 20 ]。

由于不同的工作环境，车牌识别技术的程序多种多样。

大多数以前的技术从某些方面限制了他们的工作环境[ 9 ]，如限制他们只能在室内工作，固定的背景[ 30 ]，固定的照明[ 7 ]，规定的车道[ 22 ]，[ 26 ]限定车辆速度[ 1 ]，或指定相机和车辆之间的距离范围[ 23 ]。

的目标，这次研究的目的是减少这些限制。

在不同的工作条件下，室外场景和非平稳的背景这两个因素可能是最影响获得图像的质量并且在技术上的需要更加复杂的技术支持。

在一个室外环境中，白天的照明条件变化虽然缓慢，但是由于天气条件和传递的对象（例如，汽车，飞机，云，和立交桥）的变化可能导致的迅速改变。

此外，当他们移动或变焦时，定向相机会创建动态的场景。

这个动态场景的图像可能包含多个牌照或无牌照。

此外，当他们出现在一个图像中时，车牌可能以任意大小，方向和位置出现。

而且，如果涉及复杂的背景，检测的车牌将会变成一个相当有挑战性的事情。

通常，一个车牌识别的过程包括两个主要阶段：1）车牌定位和2）识别车牌号码。

在第一阶段，在候选车牌的基础上确定车牌特征。

常用的特点来有自车牌格式数字和字符构成的车牌编号。

该特征对于车牌格式包括形状，对称性[ 15 ]，高度—宽比[ 23 ]，[ 25 ]，颜色[ 17 ]，25 ]，灰度纹理[[ 2 ]，[ 25 ]，空间频率[ 26 ]，[ 8 ]和强度值的方差，[ 10 ]。

字符特征包括线[ 34 ]，点[ 13 ]，梯度值过度标志，字符的纵横比[ 12 ]，[ 28 ]的字符之间的间隔分布，和字符对齐【32】。

在现实中，一小部分强大，可靠并且易于检测的对象特点是足能够胜任的。

候选车牌的定位是在车牌号码识别阶段。

有参与识别阶段的两大过程，字符分割和字符识别。

在过去已经完善的车牌分割技术有投影[ 11 ]，[ 30 ]，形态[ 2 ]，[ 10 ]，[ 28 ]放宽标记，连接部件[ 25 ]，和斑点着色。

每一个技术有自己的优点和缺点。

由于投影方法是假设车牌定位，而另一种形态学方法需要知道字符的尺寸，由于其所需的假设，所以这两种应用方法不适合我们的应用程序。

放宽标记本质上会导致反复和耗时。

在这项研究中，一种混合的连接部件和斑点着色技术被认为最适合字符分割。

已经有大量的字符识别技术报告。

他们包括遗传算法[17],人工神经网络[2], [16], [26], 模糊c-均值聚类[25], 向量计算机支持[16], 马尔科夫过程[6], 和有限时序机[1]。

这些方法大致可分为迭代和非迭代方法。

有一个权衡这两组的方法；迭代方法实现更好的精度，但在增加时间复杂度的成本。

在这项研究中，当需要我们在两者中做出选择时，精度比时间复杂度需要我们投入更多的注意。

为此，我们开发了我们自己的字符识别技术，它是基于人工神经网络和力学学科。

本文的其余部分安排如下，部分II将基于车牌识别技术的思想来阐述车牌类型，所提出的技术的两个主要阶段，车牌定位和车牌号码识别，将分别在部分III 和IV中详细讨论，而部分V将展示新的实验结果，未来的工作想法则在部分VI 给出。

II. 车牌识别技术在这一部分中，车牌的种类在这项研究中进行了讨论，其次简要描述了车牌识别过程。

表一显示了在台湾车辆上车牌的不同种类。

每一个种类都和一类特殊的车辆相关。

这些种类包括私人汽车，出租车，旅游巴士，卡车，及政府车辆。

其他类别的车辆，如汽车和军事外交车辆，都没有解决，因为他们很少看到。

车牌样式可以很容易地基于属性区分：1）所使用的颜色组合，2）车牌号的成分语义。

如表所示I，每个种类都有不同的前景和背景颜色。

然而，在所有四个不同的颜色（白色，黑色，红色，绿色）被使用在这些车牌。

当在输入图像中搜索车牌时，我们要注意这四种颜色。

车牌号码成分中的语义提供了额外的信息来区分车牌样式。

可以在表I中看到，每一个车牌号码是由连字符分隔的两部分（例如，e1-2345）。

第一部分是由两个字组成的，其中之一必须是一个字母字符（例如，E1，2F，和EF）。

第二部分可能含有四（例如，2345）或三（例如，234）个数字，前者只用于私人汽车，后者被用在其他车辆类别。

图1显示了车牌识别过程。

我们假设这个过程发生在一个事件检测系统中，例如，车辆检测器或交通执法系统。

一旦系统检测到一个事件，那么相机会随着系统而激活，然后由相机获得的图像进入车牌识别过程中，从图像中我们提取潜在的车牌。

如果没有牌照被发现，过程返回到等待另一个输入图像。

然而，在通常情况下我们会检测到多个候选车牌，它们在车牌号码识别阶段被仔细检查。

涉及这一阶段的有两个基本任务，字符分割和识别。

这两个任务选择调用以实现分割和识别的最佳结果。

字符从候选车牌在这个阶段，在确认验证阶段之后。

字符组将被视为一个有效的车牌号码如果它符合在前文提到的车牌号码的语义成分。

无论是有效的车牌号码还是相关的车辆类别将由车牌识别过程返回。

然后所有的候选车牌重复进行识别和确认阶段。

之后过程返回到等待图像输入阶段。

在部分III和IV，看看我们的车牌定位模块和车牌识别模块的细节。

III 车牌定位模块A、基本概念一个车牌定位模块的流程图如图2所示。

该模块的输入是RGB彩色图像。

记得，我们认为只有四种颜色（白，黑，红，绿）在牌照中使用。

还注意到，有许多的边缘，这是密切的相互接近和分散在一个重复的方式，包含在一个车牌。

上述的观察促使我们开发的彩色边缘检测。

边缘检测是只有三种敏感的边缘，黑色和白色，红色和白色，绿白色（见最后一列表1）。

由于其他的车牌边缘检测对象很少，即使当图像的背景很混乱，也可以通过忽略图像中的其他类型的边缘来从输入图像的彩色边缘检测，并设E 计算表示地图的边缘。

其次，在HSI空间中对输入的彩色图像的RGB空间转换。

让(R,G,B)和(H,S,I)来表示（红，绿，蓝）和（色调，饱和度，亮度）的图像值像素，分别从(R,G,B)到(H,S,I)[ 3 ]是在那里，有一些有趣的特性与恒生指数相关的颜色模型是有用的应用程序，包括色调和光照阴影的不变性，以及饱和的不变性来观察方向和表面方向。

让H.S和I分别保持映射的色相，饱和度，和变换后的图像的亮度分量。

图像E,H,S 和I对于噪音，误差和不完善处理方面的缺陷是不可避免的。

为了弥补这个缺点，我们呼吁软计算技术植根于模糊（车牌定位）和神经（牌照号码识别）学科。

让H,S,I和E是模糊版本的H,S,I和E，在模糊映射条目表示程度的属于一个车牌。

一个两阶段的模糊集合引入到集成地图。

在第一阶段，模糊地图H,S和I成为一体，由此产生的地图与E在导致一个单一的地图第二阶段下结合，表示M。

使用两阶段聚合的原因是因为固有的特性（颜色相关）的H，S，并且I和E是不同的（边缘的大小有关）。

然后基于地图M，其中在输入图像中感兴趣的区域是区域的最大值m。

然后确定候选车牌中那些感兴趣的区域的大小是足够大的。

B、彩色边缘检测彩色边缘检测器只针对三种边缘（即，黑的白的，红、白、绿白边）。

考虑一个黑色白边，并假设输入的RGB彩色图像被归一化到一个图像。

理想情况下，该（r，g，b）的一个白色像素和黑色像素值分别应该是（1,1,1）和（0,0,0）。

他们的区别是（1,1,1）和（0.0.0）所以所有的组成部分差矢量白色和黑色像素之间会有相同的符号。

这个属性是相当稳定的环境下的变化。

黑白边缘像素是基于此属性如下定义。

图像的像素被视为一个黑白边缘点，如果所有的像素和它的一个邻居是相同的之间的差异向量分量的迹象，例如在N是邻居像素的图像集。

我们也将它的边缘的大小定义为边缘的大小被使用后产生边缘模糊的地图。

在类似的方式，一个图像的像素是一个边缘的是红白色的点，如果它的差分向量对于一些满足以下条件：1)；2）和，对边缘像素的大小被定义为，最后，如果对于一些一个图像像素的边缘像素是绿色和白色，那么1），2）和它的边缘的大小是由决定，图像的像素，不是边缘点的那个给出零边值。

C.模糊图生成一个模糊图的基本思想是从一个如下给定的地图（例如H,S,I或E），由于每个地图编码对场景的一些特征，在地图上的任何细胞进入细胞具有这种特性的表现程度。

为了突出对应的感兴趣的对象的细胞（例如，车牌），我们将对这些细胞大条目是与对象的已知特征的兼容。

这样大的作品显示了高度的一个有趣的对象存在。

我们把得到的地图的原始地图的特征地图。

由于输入数据（包括给定的地图和对象的字符—特性）是不完美的，不确定性应考虑—计数的特征映射计算中。

模糊集被称为建模提供了一个优雅的工具不确定性[ 14 ]，[ 18 ]，[ 27 ]。

在这项研究中，我们引入了模糊—感的特征映射条目和指结果作为模糊的地图。

有几种方法来实现模糊—性。

我们定义了一个广义模糊集，称为“像一个车牌号码，在色调，饱和度，强度相应的设置，和边缘强度。

每四组作为一种通用的设置模糊集合的。

考虑色调值的通用设置。

假设对象感兴趣的颜色是C，而C的色彩值对应的是，在地图H的入口，说h的隶属度是，本条目属于模糊集的“对象”可以写作那里是一个正的常数。

如果给定的输入等于感兴趣的对象，然后隶属度为1。

由于色彩之间的差异增加，会员减少至0的渐近值的程度。

记得，有四种颜色（黑，白，红，绿）用于感兴趣的车牌。

让和的色调值分别变为红色和绿色，请注意，消色差的颜色的色调（即，各级灰色，包括黑色和白色）没有定义由于色调方程的分母为零（1）。